MÜHENDİSLİK BİLİMLERİ DERGİSİ
Cilt: 14 Sayı: 1 sh. 11-22 Ocak 2012BİLGİSAYAR TABANLI SES ANALİZİNİN TIBBİ TANIDA
KULLANILMASI
(COMPUTER BASED VOICE ANALYSIS ON MEDICAL DIAGNOSIS)
Erkan Zeki ENGİN*, Mehmet ENGİN*ÖZET/ABSTRACT
Sesin oluşmasını sağlayan organlarındaki patolojik durumlardan kaynaklanan ses hastalıklarının birçoğu sesin kalitesinde değişime sebep olur. Uzmanlar, sesteki hastalıklara tanı koymak için değişik yöntemler kullanmaktadır. Bu çalışmada; örselemesiz tabanlı analiz ile, doktorun tanı koymasına yardımcı olunmaktadır. Genlik değişim oranı, perde değişim oranı, sessizlik derecesi, Teager enerji ortalamalı dalgacık dönüşüm katsayıları ve yüksek dereceli istatistik parametreleri ile öznitelik vektörleri oluşturulmuştur. Sağlıklı veya farklı hastalık sınıflarına ait ses bölütleri, geriye yayınım temelli çok katmanlı algılayıcı ağlar ile sınıflandırılmıştır. Geriye yayınım temelli ağlar; esnek, ölçekli-eşlenik gradyan ve Brodyen-Fletcher-Goldfarb-Shanno (BFGS) öğrenme algoritmaları ile eğitilmiştir. Benzetim çalışmaları sonucunda, ölçekli-eşlenik gradyan algoritmasının en iyi sonucu verdiği bulunmuştur.
The change in voice quality is affected by many of voice disorders that coming from pathogical conditions of voice generation organs. The aim of this study is to help that the clinicians could be diagnosed about voice disorders with non-invasive based analysis. In our work, amplitude perturbation quotient, pitch period perturbation quotient, degree of unvoiceness, Teager Energy Operators averages of wavelet transform coefficients, and higher-order statistics parameters have formed the feature vectors. The voice segments belonging to different pathological or normal classes were classified by backpropagation based multilayer perceptron networks. In backpropagation based multilayer perceptron networks, resilient, scaled-conjugate gradient, and Brodyen-Fletcher-Goldfarb-Shanno learning algorithms were used in training. According to the results of the simulation studies, scaled-conjugate gradient algorithm gave the best results.
ANAHTAR KELİMELER/KEYWORDS
Ses analizi, Akustik parametreler, Dalgacık dönüşümü, Yüksek dereceli istatistikler, Sınıflandırma, Yapay sinir ağları
Voice analysis; Acoustic parameters; Wavelet transform; Higher-order statistics; Classification; Artificial neural networks
1. GİRİŞ
Ses tellerindeki patolojik durumlar, ses tellerinin normal titreşimlerinde önemli değişiklere yol açar ve sesin kalitesini bozar (Hansen vd., 1998). Bu hastalıklara, erken tanı konulmalı ve tedavi edilmelidir. Ses üretimindeki sorunlar, işlevsel veya organik gırtlaksal patolojilerden dolayı oluşabilir ve farklı terapiler ve cerrahi operasyonlar ile tedavi edilebilir.
Kliniksel veya araştırma amacı ile gırtlak incelenmesi için çeşitli yardımcı labaratuar yöntemleri bulunmaktadır. Bu yardımcı labaratuar yöntemleri; esnek ve sert fiberoptik larengoskopi (fiberoptik alet ile inceleme), video-stroboskopi (gırtlak hareketlerinin incelenmesi için gırtlağa vuru ışığı gönderilmesi), elektromiyografidir (gırtlağın işlevsel durumunun dolaylı gözlemlenmesi) (Martinez ve Hugo, 2000). Akustik analiz, yardımcı labaratuar yöntemlerine alternatif bir tanı koyma yöntemidir. Ses işaretinin sayısal işlenmesine dayanan akustik analiz örselemesiz bir yöntem olup, aşağıdaki sebeplerden dolayı kabul görmektedir (Godino-Llorente vd., 2000):
• Tanıda nesnellik: Uzman olmayan doktorların veya glotisi (ses telleri arasındaki boşluk) görmek için uygun ekipmanı olmayan doktorların, öznel tanı koymalarını önler,
• Vokal ve ses hastalıklarına erken tanı konulabilir, • Vokal işlevdeki bozulma nesnel olarak belirlenebilir,
• Cerrahi, farmokoloji tedavilerin ve rehabilitasyonun değerlendirilmesi: Tıbbi tedavi ve farmokoloji uygulanmadan önceki ses ile sonraki ses nesnel olarak karşılaştırılabilir,
• Otomatik analiz ile bazı basit hastalıkların tespiti uzman olmadan yapılabilir.
Jo ve Kim çalışmalarında, sesleri Yapay Sinir Ağaları (YSA) ile sağlıklı ve hastalıklı (iyi ve kötü huylu) olmak üzere ikiye ayırmışlardır (Jo ve Kim, 1999). Bu amaçla; jitter, shimmer ve harmonik gürültü oranı parametrelerini kullanmışlardır. Godino-Llorente vd. ise öğreticili ağ yapısı ve Öz Düzenlemeli ağ Yapısı (ÖDY) ile normal ve hastalıklı sesleri sınıflandırmışlardır (Godino-Llorente vd., 2000). Ağların girişlerine MDVP programın hesapladığı akustik parametreleri uygulamışlardır.
Martinez ve Hugo çalışmalarında, frekans ortamında akustik analizler yaparak otomatik karar verme üzerine çalışmışlardır (Martinez ve Hugo, 2000). Kepstrum, mel-kepstrum, delta-kepstrum, delta-mel-kepstrum ve hızlı Fourier dönüşümü gibi farklı işleme tekniklerini ses üzerinde uygulamışlardır. Elde edilen veriler YSA’ya uygulanarak sesleri sınıflandırmışlardır.
Zaman, izgesel ve kepstral tabanlı parametrelerin patalojik seslerin algılanmasında etkili olduğu gösterilmiştir (Boyanov ve Hadjitodorov, 1997). Dört farklı yöntem ile yapılan sınıflandırmalar birleştirilerek sınıflandırma başarısında bir miktar artış elde etmişlerdir. Hadjitodorov vd. patalojik seslerin akustik analizi için sistem tasarlamışlardır (Hadjitodorov vd., 2000). Sistemlerinde; jitter, shimmer, çeşitli harmonik-gürültü oranları ve diğer çok kullanılan akustik parametreleri kullanmışlardır. Ayrıca, turbülans gürültüsünün hesaplanması için turbülans gürültü göstergesi ve nefesli sesleri karakterize etmek için normalize edilmiş birinci harmonik enerjisi olan yeni akustik parametreler tanımlamışlardır. Bu parametrelerle yapılan sınıflandırma sonucunda, bir önceki sisteme göre başarı artmıştır (Boyanov ve Hadji, 1997).
Heris vd. çalışmalarında; 53 normal ve 54 tek-taraflı ses teli felci, 20 polip, 20 nodül hastasından alınan /a/ kayıtlarını, destek vector makinesi ve k-en yakın komşuluğu sınıflandırıcıları ile dört gruba ayırmışlardır (Heris vd., 2009). Bu amaçla; dalgacık paket dönüşümü (dB10) ile 5. seviyeye ayrılan işaretlerden; yaklaşık entropi ve benzerlik parametreleri çıkartmışlardır. Ayrıca her izgesel alt-bantlardan, enerji ve Shannon entropi parametrelerini hesaplamışlardır. Bu parametrelerden etkin olanların tespiti sonucunda yapılan sınıflandırmada en yüksek başarı destek vector makinesi ile elde edilmiştir.
Wang vd. çalışmalarında, 53 normal ve 173 hastalıklı deneğe ait kayıtları, Hamming penceresi ile 40 ms’lik bölütlere (20 ms’lik örtüşme) ayırmışlar ve her bölütden 18 mel-frekans kepstrum katsayıları çıkartarak sınıflandırma yapmışlardır (Wang vd., 2011). Diğer bir çalışmada ise 148 denekten alınan /a/ harfi ile sağlıklı ve hastalıklı olarak sınıflandırma yapabilmek için 10 farklı öznitelik kümesine (akustik parametreler, frekans parametreleri, mel-frekans parametreleri, kepstral enerji paremetreleri, öz-ilişki paremetreleri, izgesel harmonik-gürültü oranı, kepstral harmonik-gürültü oranı, doğrusal kestirim katsayıları, doğrusal kestirim cosine dönüşüm katsayıları) ait parametreler çıkartılmıştır (Uloza vd., 2011). Bu öznitelik kümesinden genetik algoritma ile seçilen uygun parametreler ile de sınıflandırma yapmışlardır.
Bu çalışmada, patalojik seslerin değerlendirilmesi ve algılanması için örselemesiz tanıya yardımcı olabilecek bir sistem tasarlanmıştır. Tasarlanan sistemin blok diyagramı Şekil 1’de görülmektedir. Çalışmanın ilk aşaması olan ön işlemede /a/ harfiden dc ve dudak etkileri elendikten sonra işaret bölütlere ayrılmıştır. Öznitelik çıkartım aşamasında, sesli olduğu tespit edilen bölütlerden; genlik değişim oranı, perde değişim oranı, sessizlik derecesi, Teager enerji ortalamalı dalgacık dönüşüm katsayıları ve yüksek dereceli istatistik parametreleri hesaplanmıştır. Son kısımda ise YSA sınıflandırıcı ile sesin sağlıklı veya hastalıklı olduğuna karar verilmektedir.
Şekil 1. Tasarlanan sistemin blok diyagramı
2. MATERYAL VE YÖNTEM 2.1. Materyal
123 deneğe ait olan sesler, Ege Üniversitesi Kulak-Burun-Boğaz ABD’ında kaydedilmiştir. Ses kayıtları, 70 sağlıklı (47 bayan ve 23 erkek) ve 53 hastalıklı (10 bayan ve 43 erkek) denekten alınmıştır. Hastalıklı seslerin; 33’ü kanserli, 12’si nodüllü, 3’ü kronik larenjitli, 2’si ödemli ve 3’ü Reinke ödemlidir. Tanılar, rutin kliniksel yöntemler ile gerçekleştirilmiştir. Ses işaretleri, bilgisayar hafızasına 22050 Hz örnekleme hızı ve 16-bitlik ADC ile örneklenerek kaydedilmiş olup, ağız-mikrofon uzaklığı 20 cm olarak seçilmiştir.
Deneklerden kayıt olarak /a/ ünlü harfi alınmıştır. Bu harfin seçilmesindeki neden, ses kanalının akustik etkilerinin yeterli derecede uzun aralıkta oldukça kararlı olduğundan /a/ harfinin transfer işlevinin küçük hareketlerden nispeten etkilenmemesidir. Buna ek olarak, bu ünlü harf için glotisdeki bir devirdeki hava akışının tepe değerinin kolayca belirlenebilmesidir (Yumoto ve Gould, 1982).
2.2. Yöntem 2.2.1. Ön İşleme
Öznitelik vektörünü oluşturacak parametreleri hesaplanmadan önce bazı ön işlemler gerçekleştirilmiştir. Ses işaretinden ilk olarak dc bileşen elenir ve daha sonra işaret transfer
Ses İşareti
Ön-işleme Öznitelik
Çıkartımı Sınıflandırma Örüntü
Sağlıklı Hastalıklı
işlevi; 1/(1-µz-1
), µ≅1 olan bir ön işleme süzgecinden geçirilerek dudakların oluşturduğu yayınım yükü etkisi azaltılır (Manfredi vd., 2000).
Ses işareti, durağan olmayan yapıdadır ve konuşma sırasında ses kanalının şekli ve glotisin titreşim hızı değişir. Bu yüzden ses analizi, bölütlere ayrılmış işaret üzerinde yapılmalıdır. Bölütlerin boyutu, işaretin karakteristiğine göre değişir ve temel olarak kestirilmek istenen perde değerine (temel periyoda) göre değişmektedir. Doğru sonuçlar elde edebilmek için peş peşe iki perde dönemi içeren bölütlerde çalışmak gerekmektedir (Manfredi vd., 2000). Bu durumun kesin olarak sağlanması için Hamming pencere kullanılarak bölüt boyutu 30 ms ve örtüşme değeri 20 ms yapılmıştır (Boyanov ve Hadjitodorov, 1997; Boersma, 1993).
Temel olarak, sesli ve sessiz olmak üzere iki tip uyartım vardır. Diğer uyartım tipleri ise sesli, sessiz ve nefesin birleşimidir. Dolayısıyla, her bölütte uyartım tipi belirlenmeli ve parametrelerin hesaplanmasında sadece sesli bölütler kullanılmalıdır.
Ses işaretini bölütlerine ayırmadan önce tepe değeri ve daha sonra ise her bir bölütün tepe değeri bulunur. Her bölütün tepe değeri, ses işaretinin tepe değerinin %5’i ile karşılaştırılır ve bu değerden küçük olan bölütler nefes olarak kabul edilir (Veprek ve Scordilis, 2002).
Bölütün öz ilişki işlevinin en büyük değeri, bölütün enerjisinin %40’ından daha küçükse veya temel frekansı 40-500 Hz’in dışında ise bölüt sessiz olarak kabul edilir. Bölütün, sessiz olup olmadığına karar vermede başarıyı artırıcı bazı algoritmalar bulunmaktadır (Veprek ve Scordilis, 2002).
• Sessiz olduğuna karar verilen bölütden önceki iki bölüt de sesli ise daha düşük bir eşik değeri ile karşılaştırılır. Bölütün enerjisi, bu yeni eşik değerinden büyükse ve temel frekansı 40-500 Hz arasında ise bu bölüt sesli olarak kabul edilir. Bu şartlara uymuyorsa, sessiz olarak kalır.
• Kısa sessiz bölütler, bazen gürültünün katkısıyla (elektronik veya akustik) sesli olarak alınabilir. Böyle bölütler genellikle yanlarındaki sesli bölütlerden net olarak ayrılmıştır. , Bu bölütler normal seste oluşmadığından sessiz olarak alınmalıdır. Böyle ardışık sesli bölütlerin sayısı dörtten küçük ve yanlarındaki sessiz bölütlerinin sayısı da ikiden büyük ise bu sesli bölütler sessiz olarak kabul edilir.
• Tek bir sessiz bölüt, iki sesli bölüt arasında ise sesli olarak kabul edilir ve perde dönemi yanlarındaki sesli bölütlerin perde dönemlerinin ortalaması olarak alınır.
2.2.2. Zaman ve Genlik Tabanlı Parametreler
Önemli parametrelerden biri Sessizlik Derecesi (SD) olup, aşağıdaki eşitlikle hesaplanır (Boyanov ve Hadjitodorov, 1997). top sessiz N N SD= / (1) top
N : toplam bölüt sayısı ve Nsessiz: sessiz bölüt sayısıdır.
İkinci parametre olarak Genlik Değişim Oranı (GDO) kullanılmıştır. Bu parametre, 11 dönemlik düzeltme faktörü ile bölütler arasındaki tepe genliklerindeki değişimin ölçüsü olup, aşağıdaki eşitlikle hesaplanır (Kılıç ve Okur, 2001).
100 1 11 10 1 1 5 6 5 4 4 5 × − + + + + − =
∑
∑
= − = + + − − n i i n i i i i i i A n A A A A A n GDO (2) iA : ilgili bölütün tepe değerinin genliği ve n : sesli bölüt sayısıdır.
Ses kanalını uyaran hava akışı kısmen dönemseldir. Ses tellerinin titreşim hızı harfin temel frekansı (perde) olup, ses tellerinin tam açılımları arasındaki süre de temel dönemdir (Manfredi vd., 2000). Temel frekans, konuşmacının ses tellerinin boyutuna ve gerilmesine bağlıdır ve erkeklerin ses tellerinin ortalama boyutları bayanlarınkinden büyüktür. Bunun sonucunda, bayanların ortalama temel frekansı genellikle erkeklerden düşüktür.
Perdenin hesaplanmasında birçok algoritma bulunmakta olup, bu çalışmada öz ilişki işlevi kullanılmıştır. Durağan işaretlerde, öz ilişki işlevi aşağıdaki eşitlikle hesaplanır (Boersma, 1993).
∑
= − = N t t x t x r 1 ) ( ) ( ) (τ τ (3)Her bölüt için öz ilişki işlevinin tepe değerinin yeri bulunur. Bölütlerdeki perde dönemi; her bölütdeki yerel tepe değerin bulunduğu noktanın, bölütün başlangıç noktası ile arasındaki süreye eşittir.
Öz ilişki işlevinde, formantlardan ve harmoniklerden dolayı çok sayıda sahte tepe noktası bulunmaktadır. Bu tepeleri elemek için işaret önce kesme frekansı 900 Hz olan alçak geçiren süzgeçten geçirilir ve daha sonra merkez sınırlama yöntemi uygulanır (Sonhdi, 1968).
Zaman tabanlı parametre olarak Perde Değişim Oranı (PDO) kullanılmıştır. 5 dönemlik düzeltme faktörü ile perde değişimi aşağıdaki eşitlikle hesaplanır (Kılıç ve Okur, 2001).
100 1 5 4 1 1 2 3 2 1 1 2 × − + + + + − =
∑
∑
= − = + + − − n i i n i i i i i i i P n P P P P P P n PDO (4) iP : ilgili bölütün perde dönemi ve n: sesli bölüt sayısı.
GDO ve PDO parametreleri bulunduktan sonra, GDO ve PDO’nun büyük olan değerine göre normalizasyon işlemi yapılır. SD için buna gerek yoktur; çünkü, bu değer her zaman birden küçük çıkmaktadır. Bu değerler bütün ses üzerinde hesaplanan ortalama değerlerdir ve bu yüzden, her sese ait bölütlerin öznitelik vektörlerine aynı değerler girilir.
2.2.3. Dalgacık Dönüşümü Tabanlı Parametreler
Dalgacık analizinde işaret, zaman-frekans yerine zaman-ölçek ortamında incelenir ve en önemli üstünlüklerinden biri; işareti belirli bir bölgesinin analizinin mümkün olmasıdır. Dalgacık analizi, işareti ana dalgacığın kaydırılmış ve ölçeklendirilmiş biçimlerine açarak incelemektedir.
Dalgacık dönüşümü ile işaret, sabit katsayılı ve değişken genişlikli frekans alt bantlarına ayrılır (Tewfik vd., 1992). Bu analiz için çeşitli işlev tipleri kullanılmaktadır. Teorik olarak sıfır ortalamalı ve sonlu enerjiye sahip herhangi bir işlev ana dalgacık sayılabilir. Ancak, ana dalgacığı seçmek için birçok kriter vardır. Ana dalgacığın, zaman ve frekans ortamındaki sönümlenmesi önemlidir. Zaman ve frekans ortamında iyi lokalize olabilmek için dalgacık, zaman ve frekans ortamında hızlı sönümlenmelidir (Tüfekci ve Gowdy, 2000).
Sürekli dalgacık dönüşümü; bütün bir işaretin, dalgacık işlevinin bütün ölçek ve kaymaları ile çarpımlarının toplamıdır:
(
)
∫
∞( ) (
)
∞ − Ψ = f t ölçek konumdt konum ölçek C , , (5) ) (tf : analiz edilen işaret ve Ψ: ana dalgacık işlevidir. Eşitlik 5’deki C’ler ölçek ve
konumuna bağlı bulunan dalgacık dönüşümü katsayılardır. Düşük ölçeklerde dalgacık daralır ve ani değişimler (yüksek frekanslar) yakalanır. Yüksek ölçeklerde ise dalgacık genişleyerek düşük frekanslar yakalanır. Sürekli dalgacık dönüşümü, bilgisayarda hesaplanırken ayrık olarak işlenir. Ancak, ayrık dalgacık dönüşümünden farkı ölçeğin ve kaymanın sürekli olmasıdır.
Bu çalışmada, dalgacık dönüşümü tabanlı parametreleri bulurken dalgacık ayrışım ağacı ile bölütler altıncı ölçeğe kadar açılmıştır. Bu ayrışım için ‘Daubechies-5’ dalgacığı kullanılmıştır. Daha sonra, her ayrışımın sonundaki ayrıntı katsayıları alınmıştır. Her ölçekteki ayrıntı katsayılarına, Teager Enerji İşleci (TEİ) uygulanmıştır (Jabloun vd., 1999).
( )
( )
2(
) (
)
1 1
ds n s n s n s n
Ψ = − + − (6)
( )
ns : ayrık-zaman işaretidir. Her ölçek için Teager enerjisi e : 1
( )
[ ]
∑
= = Ψ = Nl n l L l n s N e 1 1 1,...., 1 (7)şeklinde hesaplanır (Jabloun vd., 1999). Eşitlikteki N : l . l ölçekteki katsayısı sayısıdır. Her ölçek için bulunan parametrelerde kendi içlerinde normalize edilerek ağa girecek şekilde hazırlanmış olmaktadır.
2.2.4. Yüksek Dereceli İstatistik Tabanlı Parametreler
Yüksek Dereceli İstatistikler (YDİ), öz ilişki işlevi ve güç izgeseli gibi ikinci derece ölçümlerin daha üst mertebelere genişletilmesidir. Gaussian olasılık yoğunluğu işlevine sahip işaretler, ikinci derece istatistikler tarafından temsil edilebilir. Ancak; pratikte birçok işaret ve biyolojik işaretler, Gaussian olmayan karakterde olup, düşük dereceli istatistikler tarafından temsil edilemezler. Bu yüzden, yüksek dereceli istatistikler (kümülantlar) tanımlanmıştır.
Durağan bir süreçte; birinci kümülant, sürecin ortalamasıdır: C1x = E
( )
x( )
t . Yüksek mertebeli kümülantlar ortalamadaki kaymalardan bağımsızdır. Bu yüzden, ortalamayı sıfır kabul ederek tanımlamak uygundur. Ortalama sıfırdan farklı ise ortalama çıkarılır ve çıkan sonucun kümülantları bulunur. Sıfır ortalamalı durağan bir sürecin kümülantları aşağıdaki eşitlikde tanımlanmaktadır.( )
{
( ) (
)
}
( )
{
( ) (
) (
)
}
(
)
{
( ) (
) (
) (
)
}
( ) (
)
( ) (
)
( )
(
)
* 2 * 3 * * 4 * 2 2 2 2 2 2 , , , x x x x x x x x x C k E x n x n k C k l E x n x n k x n l C k l m E x n x n k x n l x n m C k C l m C l C k m M m M k l = + = + + = + + + − − − − − − (8)( )
m E{
x( ) (
n x n m)
}
M2x = + gerçek değerli bir süreçte C2x
( )
m ’e eşittir. Eşitlikteki, E: beklenti işleci ve k, l, and m’lerde zaman gecikmeleridir.Gaussian gürültüyü bastırması ve fazı önlemesinden dolayı sesli/sessiz sınıflandırılması, perde döneminin bulunması ve geçişleri bulmak gibi ses uygulamalarında YDİ kullanılmaktadır (Nemer vd., 2001).
Normalizasyon işlemi her kümülantın kendi içinde yapılmıştır. Normalizasyon işleminden sonra her kümülantdan 5 (eşit aralıkta) değer seçilmiştir (Osowski ve Linh, 2001). Böylece öznitelik vektöründe, her bölüt için farklı 15 kümülant parametresi kullanılmıştır.
2.2.5. Örüntü Sınıflandırma
1960’lı yılların ortasından itibaren sayısal bilgisayarların yaygın kullanımı ile birlikte modern örüntü analiz teknikleri uygulanmaktadır (Ciaccio vd., 1993). Tüm örüntü analiz kuramı ve teknikleri ağırlıklı olarak matematik tabanlı olup; istatistiksel, sentaktik ve yapay zeka olmak üzere üç gruba ayrılır.
Çalışmamızda kullanılan YSA, yapay zeka grubuna girmektedir. YSA (Şekil 2); giriş, gizli ve çıkış katmanlarından oluşmaktadır. Giriş katmanı, öğrenilecek veya sınıflandırılacak bilgiyi alan nöronların olduğu katmandır. Çıkış katmanındaki nöronlar ise girişin hangi sembole daha yakın olduğunu vermektedir. Gizli katmanda, giriş ile çıkış katmanlarını birbirine bağlamaktadır.
Şekil 2. Standart bir ileri yönlü YSA yapısı
Bu çalışmada, geriye yayınım temelli çok katmanlı algılayıcı ağlar kullanılmıştır. Geriye yayınım temelli ağlarda; esnek, Ölçekli Eşlenik Gradyan (ÖEG) ve BFGS öğrenme algoritmaları kullanılmıştır. Bu ağlardaki en önemli faktör, gizli katmandaki nöron sayısının seçimidir. Nöron sayısının az seçilmesi durumunda hata yeterli derecede küçük elde edilemez ve çok büyük seçildiği durumda ise ağın genelleme kabiliyeti zarar görür (Osowski ve Linh, 2001). Farklı sayılarda gizli nöron sayısı ile sistem test edilmiş ve hatayı kabul edilebilir bir seviyeye çeken en küçük nöron sayısı seçilmiştir.
Öznitelik vektöründeki parametreler normalize edildiği için giriş vektöründeki katsayılar sıfır ile bir değerleri arasındadır. Bu çalışmada, yirmi dört giriş nöronu (GDO, PDO, DSD,
Çıkış Katmanı Gizli Katman Giriş Katmanı xc x2 x1 y1 y2
dalgacık dönüşümünden altı parametre ve kümülantdan on beş parametre), on gizli nöron ve iki çıkış nöronu (normal ve patalojik) kullanılmıştır.
Ağın öğrenme aşamasında katsayılar, gradyan yöntemi ile güncellenmiştir. Gradyan öğrenme yönteminde, hata işlevinin gradyanı ile katsayılar güncellenmektedir (Osowski ve Linh, 2001).
(
k)
w( )
k p( )
kw +1 = +η (9)
η : k. yaklaşımdaki öğrenme katsayısı ve p
( )
k : k. yaklaşımdaki hatanın gradyanıdır. Katsayıların ayarlanmasında kullanılan öğrenme katsayısı aşağıdaki algoritmalar ile optimize edilmiştir.Esnek Öğrenme Algoritması : Çok katmanlı ağlarda, genellikle gizli katmanlarda sigmoit
transfer işlevini kullanılır. Bu işlevler, sonsuz aralıktaki girişleri sonlu aralıktaki değerlere sıkıştırırlar. Sigmoit işlevlerin eğimi, giriş büyüdükçe sıfıra yaklaşır. Dolayısıyla, gradyan değeri çok küçük değerler alır. Ağırlık ve eşik değerinde küçük değişimler olması sonucu en uygun değerlerden oldukça uzaktır (Demuth ve Beale, 2002).
Esnek Geriye Yayınım (EGY) yönteminin kullanılmasının amacı, kısmi türevin genliğindeki bozucu etkinin giderilmesidir. Türevin işareti, güncellenecek ağırlıkların yönüne karar vermek için kullanılır (türevin genliğinin, ağırlıkların güncellenmesinde bir etkisi yoktur). Ağırlıkların ne kadar değişeceği, ayrı bir güncelleme değeri ile belirlenir (Demuth ve Beale, 2002).
ÖEG Öğrenme Algoritması : Azalan gradyan yönteminde öğrenme katsayısı sabittir ve bu her
zaman en uygun değerlere ulaşmak için en kısa yol değildir. Eşlenik gradyan yöntemlerin çoğunda değişimlerin değerleri her adımda ayarlanır. Değişim değeri, hatayı yol boyunca en aza indirmek için eşlenik gradyan yönünde araştırma yapılır (Principe vd., 2000).
ÖEG tam otomatik olup kullanıcı tarafından parametre girilmesine gerek duymamaktadır. ÖEG yöntemi, zaman gecikmesine sebep olan yol arama algoritması kullanmamaktadır (Moller, 1993).
BFGS Öğrenme Algoritması : Newton yöntemi, en uygun noktayı hızlı bulmasından dolayı eşlenik gradyan yöntemine alternatif bir yöntemdir. Newton yönteminin temeli Eşitlik 9’da verilmektedir.
(
k)
w( )
k H p( )
k w k 1 1 = − − + (10)( )
kH : Hessian matrisidir (ikinci türev). Newton yöntemi genellikle eşlenik gradyan yönteminden daha hızlıdır. Ancak ağlar için Hessian matrisini hesaplama yöntemi yavaşlatmaktadır. Newton yöntemine dayanan bazı yöntemler ile ikinci türevleri hesaplamak gerekmemektedir. Her yaklaşımda yaklaşık Hessian matrisi güncellenir (güncelleme gradyanın işlevidir). Bu yaklaşık Newton yöntemleri içinde en başarılı olanı BFGS güncellemesidir (Demuth ve Beale, 2002).
3. SONUÇLAR
Zaman-frekans tabanlı parametreler (GDO, PDO, SD), dalgacık dönüşümü ve kümülant tabanlı parametreler ile oluşturulan öznitelik vektörü ile farklı ağ tipleri eğitilmiş ve test edilmiştir. Ağın sesleri sağlıklı ve hastalıklı olmak üzere iki sınıfa ayırmasını gerçekleştirmek için eğitim aşamasında sağlıklı seslerin 35’i ve hastalıklı seslerin 28’i kullanılırken, test için
35 sağlıklı ve 25 hastalıklı ses kullanılmıştır. Daha sonra bu sesler, YSA ile sağlıklı ve hastalıklı olmak üzere iki sınıfa ayrılmıştır.
Sınıflandırma yöntemlerinin başarılarını değerlendirmek için kullanılan değişkenler aşağıda tanımlanmaktadır (Hadjitodorov vd., 2000):
Doğru pozitif (DP): Hastalıklı sesin hastalıklı olarak sınıflandırması. Doğru negatif (DN): Sağlıklı sesin sağlıklı olarak sınıflandırılması. Yanlış pozitif (YP): Sağlıklı sesin hastalıklı olarak sınıflandırması. Yanlış negatif (YN): Hastalıklı sesin sağlıklı olarak sınıflandırması.
Hastalıklı seslerdeki başarı - HSB (sesin hastalıklı olduğunun tespit edilme olasılığı), sağlıklı seslerdeki başarı - SSB (sesin sağlıklı olduğunun tespit etme olasılığı) ve genel başarı - GB (sesin durumunun doğru tespit edilme olasılığı) hesaplamaları aşağıda verilmektedir.
100 100 DP HSB DP YN DN SSB DN YP DP DN GB DP DN YN YP = × + = × + + = + + + (11)
Çizelge 1’de bölüt tabanındaki farklı ağ yapıları için başarı ölçütleri verilmektedir. Her deneğin ses kayıtının, 0.5-2 saniyelik kısımları bölütlere ayrılmıştır. Dolasıyla, her deneğin sesi için elimizde 50-200 arasında öznitelik vektörü bulunmaktadır. Ses tabanındaki farklı ağ yapıları için başarı ölçütleri Çizelge 2’de görülmektedir. Çizelge 2’deki sonuçlar, ÖEG öğrenme algoritmasının en iyi sonucu verdiğini göstermektedir. Bölüt tabanlı sınıflandırmada, eğitim aşamasında % 99,3 ve test aşamasında % 77,65 başarıya ulaşılmıştır. Ses tabanındaki sınıflandırmada ise eğitim aşamasında % 100 ve test aşamasında %88,3 başarıya ulaşılmıştır.
Çizelge 1. Farklı ağ algoritmaları için bölüt tabanlı başarı ölçütleri: (a) HSB, (b) SSB, (c) GB
Eğitim Test DP YN Yüzde DP YN Yüzde ÖEG 4250 28 % 99.34 3315 930 % 78 EGY 4249 29 % 99.3 3160 1085 % 74.44 BFGS 4208 70 % 98.36 2870 1375 % 67.6 (a) Eğitim Test DN YP Yüzde DN YP Yüzde ÖEG 6706 46 % 99.31 5229 1549 % 77.38 EGY 6701 51 % 99.24 4849 1999 % 70.8 BFGS 6699 53 % 99.21 5223 1625 % 76.77 (b)
(c)
Çizelge 2. Farklı ağ algoritmaları için ses tabanlı başarı ölçütleri: (a) HSB, (b) SSB, (c) GB
Eğitim Test DP YN Yüzde DP YN Yüzde ÖEG 28 0 % 100 21 4 %84 EGY 28 0 % 100 21 4 %84 BFGS 28 0 % 100 21 4 %84 (a) Eğitim Test DN YP Yüzde DN YP Yüzde ÖEG 35 0 % 100 29 6 % 82.85 EGY 35 0 % 100 27 8 % 77.14 BFGS 35 0 % 100 28 7 % 80 (b) Eğitim Test
DP+DN YN+ YP Yüzde DP+DN YN+YP Yüzde
ÖEG 63 0 % 100 50 10 % 83.3
EGY 63 0 % 100 48 12 % 80
BFGS 63 0 % 100 49 11 % 81.6
(c)
4. TARTIŞMA
Ses parametreleri; yaşa, cinsiyete ve pataloji tipine ve evresine göre değişmektedir. Dolasıyla, bütün yaşlar ve patolojilere (farklı evreler) ait ses kayıtlarının çoğaltılması ile sistemin başarısıda arttırılabilecektir. Ayrıca daha geniş veri tabanı olduğu durumda, patolojilerin gırtlağa olan etkisine göre birkaç sınıfa ayrılabilirler.
Eğitim Test
DP+DN YN+ YP Yüzde DP+DN YN+YP Yüzde
ÖEG 10956 74 % 99.3 8614 2479 % 77.6
EGY 10950 80 % 99.3 8009 3084 % 72.1
Çalışmamızda, geriye yayınım temelli çok katmanlı algılayıcı ağ yapıları denenmiştir. Diğer ağ yapıları olan ÖDY ve yinelenen ağ yapıları veya genetik ve bulanık gibi sınıflandıcılar oluşturularak başarılar karşılaştırılabilir.
Öznitelik vektörünü oluştururken zaman-frekans parametrelerinden GDO, PDO ve SD ile dalgacık dönüşümü ve yüksek dereceli model tabanlı parametreler kullanılmıştır. Diğer zaman-frekans ve model tabanlı parametrelerinde sınıflandırma başarıları test edilebilir. KAYNAKLAR
P. Boersma (1993): “Accurate Short-term Analysis of the Fundamental Frequency and the Hamonics-to-Noise Ratio of a Sampled Sound”, Proceedings of the Institute of Phonetic Sciences, Cilt 17, s. 97-110.
B. Boyanov, S. Hadjitodorov (1997): “Acoustic Analysis of Pathological Voices”, IEEE Engineering in Medicine and Biology, Cilt 16, s. 74-81.
E. J. Ciaccio, S. M. Dunn, M. Akay (1993): “Biosignal Pattern Recognition and Interpretation Systems”, IEEE Engineering in Medicine and Biology Magazine, Cilt 12, s. 89-97.
H. Demuth, M. Beale (2002): “Neural Network Toolbox for Use with MATLAB”.
J. L. Godino-Llorente, S. Aguilero-Navarro, P. Gomez-Vilda (2000): “Non-supervised Neural Net Applied to the Detection of Voice Impairment”, IEEE International Conference on Acoustics, Speech, and Signal Processing, s. 3594-3597.
S. Hadjitodorov, B. Boyanov, B. Teston (2000): “Laryngeal Pathology Detection by Means of Class-specific Neural Maps”, IEEE Transactions on Information Technology in Biomedicine, Cilt 4, s. 68-73.
J. H. L. Hansen, L. Gavidia-Ceballos, J. F. Kaiser (1998): “A Nonlinear Operator-based Speech Feature Analysis Method with Application to Vocal Fold Pathology Assessment”, IEEE Transactions on Biomedical Engineering, Cilt 45, s. 300-313.
H. K. Heris, B. S. Aghazadeh, M. Nikkhah-Bahrami (2009): “Optimal Feature Selection for the Assessment of Vocal Fold Disorders”, Computers in Biology and Medicine, Cilt 39, s. 860-868.
F. Jabloun, A. E. Çetin, E. Erzin (1999): “Teager Energy Based Feature Parameters for Speech Recognition in Car Noise”, Cilt 6, s. 259-261.
C. W. Jo, H: Kim (1999): “Classification of Pathological Voice into Normal/Benign/Malign State”, Proceedings of Eurospeech, s. 571-574.
M. A. Kılıç, E. Okur (2001): “CSL ve Dr. Spech ile Ölçülen Temel Frekans ve Pertürbasyon Değerlerinin Karşılaşırılması” KBB İhtisas Dergisi, Cilt 8, s. 152-157.
C. Manfredi, M. D’aniello, P. Bruscagliani, A. Ismaelli (2000): “A Comparative Analysis of Fundemenal Frequency Estimation Methods with Application to Pathological Voices”, Medical Engineering & Physics, Cilt 22, s. 135-147.
C. E. Martinez, R. L. Hugo (2000): “Acoustic Analysis of Speech for Detection of Laryngeal Pathologies”, Proceedings of the 22nd Annual EMBS International Conference, s. 2369-2372.
M. F. Moller (1993): “A Scaled Conjugate Gradient Algorithm for Fast supervised Learning”, Neural Networks, Cilt 6, s. 525-533.
E. Nemer, R. Goubran, S. Mahmoud (2001): “Robust Voice Activity Detection Using Higher-order Statistics in the LPC Residual Domain”, IEEE Transactions on Speech and Audio Processing, Cilt 9, s. 217-231.
S. Osowski, T. H. Linh (2001): “ECG Beat Recogniton Using Fuzzy Hybrid Neural Network”, IEEE Transactions on Biomedical Engineering, Cilt 48, s. 1265-1271.
J. C. Principe, N. R. Euliano, W. C. Lefebvre (2000): “Neural and Adaptive Systems: Fundementals through Simulations”, John Wiley and Sons Inc.
M. M. Sondhi (1968): “New Methods of Pitch Extraction”, IEEE Transactions on Audio and Electroacoustics, Cilt 16, s. 262-266.
A. H. Tewfik, D. Sinha, P. Jorgensen (1992): “On the Optimal Choice of a Wavelet for Signal Representation”, IEEE Transactions on Information Theory, Cilt 38, s. 747-765.
Z. Tüfekci, J. N. Gowdy (2000): “Feature Extraction Using Discrete Wavelet Transfrom for Speech Recognition”, Proceedings of the IEEE Southeastcon, s. 116-123.
V. Uloza, A. Verikas, M. Bacauskiene, A. Gelzinis, R. Pribuisiene, M. Kaseta, V. Saferis (2011): ”Categorizing Normal and Pathological Voices: Automated and Perceptual Categorization”, Journal of Voice, Cilt 25, s. 700-708.
P. Veprek, M: S. Scordilis (2002): “Analysis, Enhancement and Evaluation of Five Pitch Determination Techniques”, Speech Communication, Cilt 37, s. 249-270.
X. Wang, J. Zhang, Y. Yan (2011): “Discrimination Between Pathological and Normal Voices Using GMM-SVM Approach”, Journal of Voice, Cilt 25, s. 38-43.
E. Yumoto, W. J. Gould (1982): “Harmonics-to-Noise Ratio as An Index of the Degree of Hoarness”, Journal Acoustical Society of America, Cilt 71, s. 1544-1550.
